CN114418931B - 术后剩余肺叶的提取方法及装置、电子设备和存储介质 - Google Patents
术后剩余肺叶的提取方法及装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN114418931B CN114418931B CN202111394398.8A CN202111394398A CN114418931B CN 114418931 B CN114418931 B CN 114418931B CN 202111394398 A CN202111394398 A CN 202111394398A CN 114418931 B CN114418931 B CN 114418931B
- Authority
- CN
- China
- Prior art keywords
- lung
- lobe
- lobes
- right lung
- lung lobe
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 210000004072 lung Anatomy 0.000 title claims abstract description 749
- 238000000034 method Methods 0.000 title claims abstract description 127
- 238000003860 storage Methods 0.000 title claims abstract description 31
- 238000000605 extraction Methods 0.000 claims abstract description 171
- 230000002980 postoperative effect Effects 0.000 claims abstract description 58
- 230000007812 deficiency Effects 0.000 claims abstract description 13
- 230000011218 segmentation Effects 0.000 claims description 39
- 238000001356 surgical procedure Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 abstract description 28
- 238000012549 training Methods 0.000 description 23
- 230000006870 function Effects 0.000 description 20
- 238000012360 testing method Methods 0.000 description 15
- 238000010586 diagram Methods 0.000 description 14
- 238000004891 communication Methods 0.000 description 10
- 238000002271 resection Methods 0.000 description 10
- 238000010606 normalization Methods 0.000 description 9
- 206010058467 Lung neoplasm malignant Diseases 0.000 description 8
- 230000008859 change Effects 0.000 description 8
- 238000013527 convolutional neural network Methods 0.000 description 8
- 201000005202 lung cancer Diseases 0.000 description 8
- 208000020816 lung neoplasm Diseases 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 238000013459 approach Methods 0.000 description 7
- 230000001447 compensatory effect Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 6
- 238000002372 labelling Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 5
- 230000029058 respiratory gaseous exchange Effects 0.000 description 5
- 238000010200 validation analysis Methods 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 238000003709 image segmentation Methods 0.000 description 4
- 238000003062 neural network model Methods 0.000 description 4
- 230000005236 sound signal Effects 0.000 description 4
- 230000001133 acceleration Effects 0.000 description 3
- 230000004913 activation Effects 0.000 description 3
- 238000003491 array Methods 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 230000007423 decrease Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 230000000750 progressive effect Effects 0.000 description 2
- 230000001902 propagating effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 206010014561 Emphysema Diseases 0.000 description 1
- 206010028980 Neoplasm Diseases 0.000 description 1
- 241000123240 Pseudophoxinus handlirschi Species 0.000 description 1
- 241000220317 Rosa Species 0.000 description 1
- IXUZXIMQZIMPSQ-ZBRNBAAYSA-N [(4s)-4-amino-4-carboxybutyl]azanium;(2s)-2-amino-4-hydroxy-4-oxobutanoate Chemical compound OC(=O)[C@@H](N)CCC[NH3+].[O-]C(=O)[C@@H](N)CC(O)=O IXUZXIMQZIMPSQ-ZBRNBAAYSA-N 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 201000011510 cancer Diseases 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000001609 comparable effect Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000002591 computed tomography Methods 0.000 description 1
- 238000004195 computer-aided diagnosis Methods 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000009109 curative therapy Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000593 degrading effect Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 210000004907 gland Anatomy 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000004199 lung function Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000002685 pulmonary effect Effects 0.000 description 1
- 238000005295 random walk Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000007634 remodeling Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000241 respiratory effect Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
- 210000003462 vein Anatomy 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10081—Computed x-ray tomography [CT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30061—Lung
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Physics & Mathematics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Radiology & Medical Imaging (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Biomedical Technology (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Pathology (AREA)
- Quality & Reliability (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本公开涉及一种术后剩余肺叶的提取方法及装置、电子设备和存储介质,涉及肺图像处理技术领域。其中,所述的术后剩余肺叶的提取方法,包括:获取待提取的肺图像、已训练的完整肺叶的左肺及右肺肺叶提取模型及已训练的右肺肺叶缺失的多个右肺肺叶提取模型;根据所述肺图像确定术后剩余的肺叶;基于所述左肺及右肺肺叶提取模型以及/或所述多个右肺肺叶提取模型,分别对所述术后剩余的肺叶中的左肺肺叶及右肺肺叶进行提取。本公开实施例可实现术后剩余肺叶的提取。
Description
技术领域
本公开涉及肺图像处理技术领域,尤其涉及一种术后剩余肺叶的提取方 法及装置、电子设备和存储介质。
背景技术
肺叶切除术是局部肺癌的治愈性治疗方法。通过CT图像观察肺叶切除术 后剩余的肺叶对于肺叶切除术后的评估和管理至关重要。
肺癌是世界上发病率和死亡率最高的恶性肿瘤之一。2020年全球肺癌发 病220万例,死亡180万例,远超其他癌症。肺叶切除术是早期局部性肺癌的 首选治疗方法。肺叶切除术会导致肺功能永久丧失,肺功能的丧失与切除的 肺体积成正比,但它也受到剩余肺的适应性重塑的影响。肺叶切除之后,对 侧肺和同侧肺各肺叶的体积、位置会发生相应的变化。
人类的左肺由两个肺叶组成,右肺由三个肺叶组成。左肺上叶和下叶被 斜裂分隔。右肺上叶和右肺中叶由水平裂分隔,右肺中叶和右肺下叶由斜裂 分隔。当CT图像中肺裂清晰且完整时,分割各肺叶是一项容易完成的任务。 然而,肺裂通常是不完整的,而且肺部也存在其他裂隙,如奇静脉裂隙。因此,肺叶分割是一个困难的任务。
近年来,卷积神经网络(CNN)被广泛应用到医学图像分割任务中。对于 2D和3D图像,CNN在多个分割任务中得到了非常好的结果。Ronneberger等 人提出了U-Net,一种利用全卷积神经网络来分割显微图像的方法。U-Net 已成为2D医学图像分割中最常用的CNN架构。Zhou等人使用2D F-CNN对胰 腺进行分割,然后将分割结果合并为3D图像。Cicek等人基于U-Net提出了3D U-Net,它可以利用3D空间信息来更好地分割3D图像。Milletari等人提出了 V-Net,它使用了像ResNet这样的短连接。Isensee等人提出了nnU-Net。nnU-Net可以自动配置超参数,包括任何新任务的预处理、网络架构、训练和后处理 的超参数。在没有任何人工干预的情况下,nnU-Net在许多任务中超越了最 先进的方法。
目前,已经有许多CNN模型应用于肺叶的分割。George等人使用渐进式 整体嵌套网络(P-HNN)来识别肺裂,然后使用随机游走算法来完成肺叶的分 割。Filipe等人提出了完全正则化V-Net,即在V-Net中添加了正则化技术,获 得了较好的肺叶分割结果。Imran等人提出了一个渐进式密集V-Net,它具有 三个密集特征块来准确地分割肺叶。Wang等人使用自动肺区分割技术从CT 扫描中提取肺区,然后使用V-Net对肺叶进行分割。Tang等人提出了一个基 于3D残差结构的网络,并且只使用了两次下采样。Park等人将3D U-Net应用于肺叶分割任务,并提出了一种边界比较方法来纠正错误的分割结果。Xie 等人提出了具有级联两个关系U-Net的关系两阶段U-Net。
肺叶切除术后肺叶的自动分割对于临床决策和科学研究具有重要意义, 是计算机辅助诊断系统的一项重要任务。分析肺叶切除后剩余肺叶的位置、 体积和形状对患者的后续治疗和康复具有重要意义。目前已经有很多肺叶自 动分割的方法,但是还没有肺叶切除术后剩余肺叶分割的方法。
发明内容
本公开提出了一种术后剩余肺叶的提取方法及装置、电子设备和存储介 质技术方案。
根据本公开的一方面,提供了一种术后剩余肺叶的提取方法,包括:
获取待提取的肺图像、已训练的完整肺叶的左肺及右肺肺叶提取模型及 已训练的右肺肺叶缺失的多个右肺肺叶提取模型;
根据所述肺图像确定术后剩余的肺叶;
基于所述左肺及右肺肺叶提取模型以及/或所述多个右肺肺叶提取模型, 分别对所述术后剩余的肺叶中的左肺肺叶及右肺肺叶进行提取。
优选地,所述多个右肺肺叶提取模型为至少右上肺叶、右中肺叶以及右 下肺叶中至少一个肺叶被切除对应的右肺肺叶分割模型。
优选地,在所述基于所述已训练的左肺及右肺肺叶提取模型及所述多个 右肺肺叶提取模型,分别对所述术后剩余的肺叶中的左肺肺叶及右肺肺叶进 行提取之前,根据所述术后剩余的肺叶选择所述左肺及右肺肺叶提取模型以 及/或所述多个右肺肺叶提取模型,其选择的方法,包括:
根据术后剩余的肺叶确定剩余肺叶的左肺第一位置及右肺第二位置;
若存在所述左肺第一位置,则选择所述左肺及右肺肺叶提取模型对所述 术后剩余的肺叶中的左肺肺叶进行提取;
若存在所述右肺第二位置,则判断所述右肺第二位置的完整性,并根据 所述完整性选择所述左肺及右肺肺叶提取模型或所述多个右肺肺叶提取模 型对所述术后剩余的肺叶中的右肺肺叶进行提取。
优选地,所述判断所述右肺第二位置的完整性,并根据所述完整性选择 所述左肺及右肺肺叶提取模型或所述多个右肺肺叶提取模型对所述术后剩 余的肺叶中的右肺肺叶进行提取的方法,包括:
获取右肺肺叶的设定数目;
根据所述术后剩余的肺叶确定剩余的右肺肺叶数目;
若所述右肺肺叶数目等于所述设定数目,则判断所述右肺第二位置的完 整,选择左肺及右肺肺叶提取模型对所述术后剩余的肺叶中的右肺肺叶进行 提取;
若所述右肺肺叶数目小于所述设定数目,且所述右肺肺叶数目大于0, 则判断所述右肺第二位置的不完整,选择所述多个右肺肺叶提取模型的一个 模型对所述术后剩余的肺叶中的右肺肺叶进行提取。
优选地,所述若所述右肺肺叶数目小于所述设定数目,则判断所述右肺 第二位置的不完整,选择所述多个右肺肺叶提取模型的一个模型对所述术后 剩余的肺叶中的右肺肺叶进行提取的方法,包括:
若所述右肺肺叶数目小于所述设定数目,且所述右肺肺叶数目大于0, 则确定剩余右肺肺叶的位置;
在所述多个右肺肺叶提取模型中,根据所述剩余右肺肺叶的位置,选择 所述位置对应的用于右肺肺叶提取的右肺肺叶提取模型。
优选地,所述若不存在所述右肺第二位置,则确定不存在右肺,则选择 所述左肺及右肺肺叶提取模型对所述术后剩余的肺叶中的左肺肺叶进行提 取。
优选地,所述根据所述肺图像确定术后剩余的肺叶的方法,包括:
获取设定肺叶模板;
根据所述肺图像及所述设定肺叶模板,确定术后剩余的肺叶;
以及/或,
在所述获已训练的完整肺叶的左肺及右肺肺叶提取模型及已训练的右 肺肺叶缺失的多个右肺肺叶提取模型之前,分别对所述左肺及右肺肺叶提取模型及所述多个右肺肺叶提取模型进行训练。
根据本公开的一方面,提供了一种术后剩余肺叶的提取装置,包括:
获取单元,用于获取待提取的肺图像、已训练的完整肺叶的左肺及右肺 肺叶提取模型及已训练的右肺肺叶缺失的多个右肺肺叶提取模型;
确定单元,用于根据所述肺图像确定术后剩余的肺叶;
提取单元,用于基于所述左肺及右肺肺叶提取模型以及/或所述多个右肺 肺叶提取模型,分别对所述术后剩余的肺叶中的左肺肺叶及右肺肺叶进行提 取。
根据本公开的一方面,提供了一种电子设备,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为:执行上述术后剩余肺叶的提取方法。
根据本公开的一方面,提供了一种计算机可读存储介质,其上存储有计 算机程序指令,所述计算机程序指令被处理器执行时实现上述术后剩余肺叶 的提取方法。
在本公开实施例中,提出的术后剩余肺叶的提取(分割)方法及装置、 电子设备和存储介质技术方案,可实现术后剩余肺叶的提取,以解决肺叶切 除后剩余肺叶的位置、体积和形状对患者的后续治疗和康复不能进行评估的 问题。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性 的,而非限制本公开。
根据下面参考附图对示例性实施例的详细说明,本公开的其它特征及方 面将变得清楚。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,这些附图示出了 符合本公开的实施例,并与说明书一起用于说明本公开的技术方案。
图1示出根据本公开实施例的术后剩余肺叶的提取方法的流程图;
图2示出根据本公开实施例的基于nnU-Net神经网络模型的左肺及右肺 肺叶提取模型以及/或多个右肺肺叶提取模型;
图3示出根据本公开实施例的术后剩余肺叶的提取方法的具体实施流程 图;
图4示出根据本公开实施例的术后剩余肺叶的提取方法的剩余肺叶分割 结果示例;
图5是根据一示例性实施例示出的一种电子设备800的框图;
图6是根据一示例性实施例示出的一种电子设备1900的框图。
具体实施方式
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附 图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施 例的各种方面,但是除非特别指出,不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为 “示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
本文中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存 在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单 独存在B这三种情况。另外,本文中术语“至少一种”表示多种中的任意一种 或多种中的至少两种的任意组合,例如,包括A、B、C中的至少一种,可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。
另外,为了更好地说明本公开,在下文的具体实施方式中给出了众多的 具体细节。本领域技术人员应当理解,没有某些具体细节,本公开同样可以 实施。在一些实例中,对于本领域技术人员熟知的方法、手段、元件和电路 未作详细描述,以便于凸显本公开的主旨。
在本公开及本公开的实施例中,提出的术后剩余肺叶的提取(分割)方 法及装置、电子设备和存储介质技术方案,与现有技术的肺叶提取方法、装 置及存储介质(CN111275673A)相比,考虑到了术后的左肺肺叶和术后的 右肺肺叶单独进行提取(分割)的技术方案,有利于肺癌患者肺叶切除术后 的评估和管理,进而实现了术后剩余肺叶的提取,以解决肺叶切除后剩余肺叶的位置、体积和形状对患者的后续治疗和康复不能进行评估的问题。
可以理解,本公开提及的上述各个方法实施例,在不违背原理逻辑的情 况下,均可以彼此相互结合形成结合后的实施例,限于篇幅,本公开不再赘 述。
此外,本公开还提供了术后剩余肺叶的提取装置、电子设备、计算机可 读存储介质、程序,上述均可用来实现本公开提供的任一种术后剩余肺叶的 提取方法,相应技术方案和描述和参见方法部分的相应记载,不再赘述。
图1示出根据本公开实施例的术后剩余肺叶的提取方法的流程图,如图 术后剩余肺叶的提取所示,所述术后剩余肺叶的提取方法,包括:步骤S101: 获取待提取的肺图像、已训练的完整肺叶的左肺及右肺肺叶提取模型及已训练的右肺肺叶缺失的多个右肺肺叶提取模型;步骤S102:根据所述肺图像确 定术后剩余的肺叶;步骤S103:基于所述左肺及右肺肺叶提取模型以及/或 所述多个右肺肺叶提取模型,分别对所述术后剩余的肺叶中的左肺肺叶及右 肺肺叶进行提取。提出了了术后的左肺肺叶和术后的右肺肺叶单独进行提取(分割)的技术方案,有利于肺癌患者肺叶切除术后的评估和管理,进而实 现了术后剩余肺叶的提取,以解决肺叶切除后剩余肺叶的位置、体积和形状 对患者的后续治疗和康复不能进行评估的问题。
步骤S101:获取待提取的肺图像、已训练的完整肺叶的左肺及右肺肺叶 提取模型及已训练的右肺肺叶缺失的多个右肺肺叶提取模型。
在本公开的实施例及其他可能的实例中,完整肺叶为没有缺少的肺叶, 即左肺包括2个肺叶,分别是左上肺叶及做下肺叶;右肺包括3个肺叶,分别 是右上肺叶、右中肺叶及右下肺叶。
在本公开中,所述多个右肺肺叶提取模型为至少右上肺叶、右中肺叶以 及右下肺叶中至少一个肺叶被切除对应的右肺肺叶分割模型。
在本公开的实施例及其他可能的实例中,为了简要说明,以右肺肺叶缺 失的多个右肺肺叶提取模型的数目为3个进行说明,分别为第一右肺肺叶提 取模型Model-RUL、第二右肺肺叶提取模型Model-RML及第三右肺肺叶提取 模型Model-RML。其中,第一右肺肺叶提取模型Model-RUL、第二右肺肺叶 提取模型Model-RML及第三右肺肺叶提取模型Model-RLL分别对应右上肺 叶切除术、右下肺叶切除术及右中肺叶切除术对应的右肺肺叶提取模型。
在本公开的实施例及其他可能的实例中,完整肺叶的左肺及右肺肺叶提 取模型Model-Pre为无肺叶切除术对应的左肺及右肺肺叶提取模型。
在本公开的实施例及其他可能的实例中,肺图像为从影像设备(例如, CT或PET-CT等)中采集得到原始图像。例如,从CT或PET-CT等影像设备采集得到肺部图像的层数为400-600层。显然,本领域技术人员可以根据需要 选择相应的影像设备,进而得到不同类型的肺图像,同时本领域人员也可以 根据需要自行设定肺部图像的层数。
步骤S102:根据所述肺图像确定术后剩余的肺叶。
在本公开中,所述根据所述肺图像确定术后剩余的肺叶的方法,包括: 获取设定肺叶模板或多个设定肺叶模板;根据所述肺图像及所述设定肺叶模 板或多个设定肺叶模板,确定术后剩余的肺叶。在根据所述肺图像确定术后 剩余的肺叶中,也可以根据观测所述肺图像直接得到确定术后剩余的肺叶。
在本公开的实施例及其他可能的实例中,在获取所述获取设定肺叶模板 之前,需要确定设定肺叶模板,其确定方法,包括:分别确定呼吸过程的第 N个阶段的M个肺叶未被切除的肺图像;分别对M个肺叶未被切除的肺图像 进行左右肺分割,分别得到M个左右肺相应的肺区域图像(掩码图像);分 别对所述M个相应的肺区域图像的边界线进行拟合,得到设定肺叶模板。
在本公开的实施例及其他可能的实例中,分别对M个肺叶未被切除的肺 图像进行分割的方法可以采用自动、手动或半自动的方式进行分别对M个肺 叶未被切除的肺图像进行左右肺分割。
在本公开的实施例及其他可能的实例中,所述分别对所述M个肺叶未被 切除的肺图像对应的肺区域图像中左肺及右肺的边界线进行拟合,得到设定 肺叶模板的方法,包括:分别对所述M个肺叶未被切除的肺区域图像中左肺 及右肺进行边缘检测,分别得到左肺及右肺对应的轮廓边界线,对所述M个 肺叶未被切除的肺图像对应的中左肺及右肺的轮廓边界线进行拟合,得到设 定肺叶模板。
在本公开的实施例及其他可能的实例中,所述分别对所述M个肺叶未被 切除的肺图像对应的中左肺及右肺的轮廓边界线进行拟合,得到设定肺叶模 板的方法,包括:确定所述M个肺叶未被切除的肺图像的最大层数;基于所 述最大层数,对最大层数之外的所述M-1个肺叶未被切除的肺区域图像进行 插值处理,得到插值处理后的M-1个肺叶未被切除的肺图像;分别对插值处 理后的M-1个肺叶未被切除的肺图像中每一层的中左肺及右肺的轮廓边界线进行拟合,得到每一层的设定肺叶模板。
在本公开的实施例及其他可能的实例中,所述根据所述肺图像及所述设 定肺叶模板或多个设定肺叶模板,确定术后剩余的肺叶,包括:确定所述待 提取的肺图像对应的呼吸过程的阶段;基于所述阶段在多个设定肺叶模板选 择对应的设定肺叶模板;根据所述肺图像及所述对应的设定肺叶模板或多个 设定肺叶模板,确定术后剩余的肺叶。
显然,本领域技术人员可以根据需要选择呼吸过程中的阶段。例如,在 本公开的实施例及其他可能的实例中,所述多个设定肺叶模板的数目为2个 (N=2,呼吸过程中的2个阶段),分别为深吸气的设定肺叶模板及深呼气的 设定肺叶模板。若确定所述待提取的肺图像对应的呼吸过程的阶段为深吸气, 则基于所述阶段在多个设定肺叶模板选择对应的设定肺叶模板为深吸气的 设定肺叶模板;若确定所述待提取的肺图像对应的呼吸过程的阶段为深呼气, 则基于所述阶段在多个设定肺叶模板选择对应的设定肺叶模板为深呼气的 设定肺叶模板。
在本公开的实施例及其他可能的实例中,所述根据所述肺图像及所述设 定肺叶模板或多个设定肺叶模板,确定术后剩余的肺叶的方法,包括:对所 述肺叶模板进行三维重建,基于三维重建的肺叶模板分别得到其对应的左肺 的第一体积及右肺的第二体积;对所述待提取的肺图像对应的肺区域进行三 维重建,基于三维重建的所述肺区域分别得到其对应的左肺的第三体积及右肺的第四体积;根据所述第一体积及所述第三体积确定左肺的肺叶是否缺失, 以及根据所述第二体积及所述第四体积确定右肺的肺叶是否缺失;若所述左 肺的肺叶缺失,则计算所述第一体积与所述第三体积的第一比值;若所述第 一比值小于获取的第一设定阈值,则确定所述左肺的上叶缺失,否则,确定 所述左肺的下叶缺失;若所述右肺左肺的上叶缺失,则计算所述第二体积与 所述第四体积的第二比值;若所述第二比值在获取的第二设定阈值与第三设定阈值之间,则确定所述右肺的上叶缺失;若所述第二比值大于所述第三设 定阈值,则确定所述右肺的下叶缺失;若所述第二比值小于所述第二设定阈 值,则确定所述右肺的中叶缺失。
其中,所述第一设定阈值、所述第二设定阈值及所述第三设定阈值分别 基于所述设定肺叶模板而设定。具体地说,所述设定肺叶模板中左肺上叶的 体积除以肺叶的总体积得到第一设定阈值;所述设定肺叶模板中的右肺的中 叶的体积除以右肺的体积得到第二设定阈值;所述设定肺叶模板中的右肺的 下叶的体积除以右肺的体积得到第三设定阈值。显然,本领域人员可根据需要自行设定上述所述第一设定阈值、所述第二设定阈值及所述第三设定阈值。
同样地,在本公开的实施例及其他可能的实例中,所述设定肺叶模板中 的右肺的中叶的体积除以右肺的体积得到第二设定阈值及所述设定肺叶模 板中的右肺的下叶的体积除以右肺的体积得到第三设定阈值的方法,还包括: 获取与时间相关的多个代偿性系数;基于所述待提取的肺图像的术后时间, 在所述待提取的肺图像中选择与所述术后时间对应的代偿性系数;利用所述代偿性系数分别对所述第二设定阈值及所述第三设定阈值进行矫正,得到最 终的第二设定阈值及第三设定阈值。其中,所述利用所述代偿性系数对所述 第二设定阈值及第三设定阈值进行矫正,得到最终的第二设定阈值及第三设 定阈值的方法,包括:所述代偿性系数乘以所述第一设定阈值及第三设定阈 值,得到最终的第二设定阈值及第三设定阈值。例如,所述与时间相关的多个第一代偿性系数为以1个月或1年为时间间隔的多个第一代偿性系数[0.6, 0.7,0.8,0.8,0.9,0.9,…],所述待提取的肺图像的术后时间为2个月或2年,则 在所述多个第一代偿性系数中选择与之对应的第一代偿性系数0.7。
在本公开的实施例及其他可能的实例中,所述多个代偿性系数的确定方 法,包括:获取多时间点的多个不同术后的肺图像;根据相邻时间点的每个 所述肺图像的右肺的体积比值,得到待处理的多个代偿性系数;将待处理的 多个代偿性系数进行均值处理,得到多个代偿性系数;其中,所述多个不同 术后的肺图像为不同患者的不同术后(右下叶切除或右上叶切除或右中叶切 除)的肺图像;所述多时间点可为1个月或1年。
在本公开的实施例及其他可能的实例中,根据所述第一体积及所述第三 体积确定左肺的肺叶是否缺失,以及根据所述第二体积及所述第四体积确定右肺的肺叶是否缺失的方法,包括:若所述第一体积小于所述第三体积,则 确定左肺的肺叶缺失;若所述第二体积小于所述第四体积,则确定右肺的肺 叶缺失。
步骤S103:基于所述左肺及右肺肺叶提取模型以及/或所述多个右肺肺 叶提取模型,分别对所述术后剩余的肺叶中的左肺肺叶及右肺肺叶进行提取。
在本公开中,在所述获已训练的完整肺叶的左肺及右肺肺叶提取模型及 已训练的右肺肺叶缺失的多个右肺肺叶提取模型之前,分别对所述左肺及右 肺肺叶提取模型及所述多个右肺肺叶提取模型进行训练。
在本公开的实施例及其他可能的实例中,所述左肺及右肺肺叶提取模型 以及/或多个右肺肺叶提取模型可为基于U-Net或ResU-Net神经网络模型的左 肺及右肺肺叶提取模型以及/或多个右肺肺叶提取模型。同时,本公开给出了 一种基于nnU-Net神经网络模型的左肺及右肺肺叶提取模型以及/或多个右肺肺叶提取模型。
图2示出根据本公开实施例的基于nnU-Net神经网络模型的左肺及右肺 肺叶提取模型以及/或多个右肺肺叶提取模型。如图2所示,本公开基于 nnU-Net的模型,这是一个完全自动化的框架。nnU-Net是在3D U-Net的结构 上稍作了改动。该网络由五个编码器和解码器组成。每个编码器或解码器有 两个块,每个块包含一个卷积序列、实例归一化(IN)和激活函数Leaky ReLU。
在本公开的实施例及其他可能的实例中,nnU-Net使用了实例归一化来 代替批量归一化(BN)。批量归一化通常用于加速或稳定训练,小批量时效果 不佳。在3D肺图像的肺叶分割中,由于显存的限制,Batch Size较小。因此,在实验中使用实例归一化代替批量归一化。与批量归一化不同,实例归一化 层也应用于测试过程。实例归一化公式如下:
其中,x∈RT×C×W×H×D代表含有T张肺图像的张量。xt,i,j,k,l代表第t,i,j,k,l个元素,t是batch中的第t张肺图像,i代表特征通道,j,k和l代表空间位置,H,W,D代 表batch的长度、宽度和深度。μt,i和分别是第t张肺图像的第i个特征通道 的均值和方差。为了数值稳定性在分母上添加了数值∈,设置为10-5。
其中,第t张肺图像的第i个特征通道的均值和方差的数学表达式为:
其中,nnU-Net使用Leaky ReLU作为激活函数。当输入小于0时,ReLU 输出为0,而Leaky ReLU输出为负数,具有轻微的梯度,激活函数Leaky ReLU的数学表达式为:
其中,x代表输入值,λ是一个常数,设置为0.01。
在本公开的实施例及其他可能的实例中,nnU-Net下采样使用的是跨步 卷积而不是普通的池化操作。通过用跨步卷积层替换池化层,可以提高CNN 的准确性。并使用了转置卷积用于上采样。同时,编码器和解码器之间使用 跨层连接来连接特征图,以便解码器可以使用隐藏在编码器中的信息。
在本公开的实施例及其他可能的实例中,nnU-Net中使用的损失函数为 交叉熵(CE)损失函数和Soft Dice(SD)损失函数之和。交叉熵损失计算每个像 素的预测概率和真实标签的熵:
CE=-∑c∈classeswcytruelog(ypred) (5)。
其中,ytrue表示真实标签,ypred表示预测概率。wc代表各类别的权重,对 于Model-Pre,wc设置为0.2;对于Model-RUL,Model-RML,Model-RLL,wc设置为0.5。
但是,由于图像背景部分较大,可能会造成严重的类别不平衡,因此 nnU-Net引入了SD损失函数:
SD损失函数可以解决类别不平衡的问题。综上所述,nnU-Net中使用的 损失函数为:
其中,对于Model-Pre,wc设置为0.2;对于Model-RUL,Model-RML, Model-RLL,wc设置为0.5。从上述公式可知,损失值最小为-1。
在本公开的实施例及其他可能的实例中,传统的深度学习只使用模型的 最后一层来计算损失,这使得中间层特征图中包含的信息没有得到有效利用。 深度监督可以有效利用中间层的信息,从而提高分割精度。深度监督即在解 码器中,除最底层外,对每一层特征图都计算损失值。在解码器除最底层之 外的每一层都增加了一个对应分辨率的掩码,计算相同分辨率的特征图和掩码的损失。深度监督中使用的低分辨率掩码是通过对原始掩码进行下采样获 得的。通过计算不同层的损失,梯度可以更有效地反向传播到网络,从而提高学习效率。深度监督的损失函数为:
其中,Loss是总损失,lossi是第i层的损失。N是所需计算损失的层数,设 置为5。wi是每一层损失的权重。随着分辨率的降低,wi减半。即 w1=1;
在本公开的实施例及其他可能的实例中,受显存限制,nnU-Net在训练 和测试中使用基于小块的方法。将原始图像裁剪成许多形状为160×160×96 的块。在训练过程中,块是随机选择的。在测试中,使用滑动窗口方法来确 定测试的块。滑动窗口的大小与训练时使用的块大小相同,相邻窗口重叠部 分的大小为块尺寸的一半。由于分割精度从块的中心到边缘降低,为了抑制 拼接伪影并提高分割精度,在块拼接时使用高斯重要性加权来增加中心体素的权重。训练数据集来自第一数据集D1,用标注好的第一数据集D1训练了 每个基于nnU-Net的模型。对于Model-Pre,使用60个CT肺图像作为训练 集,使用15个CT肺图像作为验证集。对于Model-RUL、Model-RML和 Model-RLL,使用12个CT肺图像作为训练集,使用3个CT肺图像作为验 证集。迭代轮数设置为1000。使用带Nesterov动量的随机梯度下降方法来 优化网络。并使用Poly策略来改变训练期间的学习率:
其中,Base learing rate是基础学习率,设置为0.01。epochmax是迭代轮数,设置为1000。
使用了Dice相似系数(DSC)评估不同分割模型的性能:
在本公开中,在所述基于所述已训练的左肺及右肺肺叶提取模型及所述 多个右肺肺叶提取模型,分别对所述术后剩余的肺叶中的左肺肺叶及右肺肺 叶进行提取之前,根据所述术后剩余的肺叶选择所述左肺及右肺肺叶提取模 型以及/或所述多个右肺肺叶提取模型,其选择的方法,包括:根据术后剩余的肺叶确定剩余肺叶的左肺第一位置及右肺第二位置;若存在所述左肺第一 位置,则选择所述左肺及右肺肺叶提取模型对所述术后剩余的肺叶中的左肺 肺叶进行提取;若存在所述右肺第二位置,则判断所述右肺第二位置的完整 性,并根据所述完整性选择所述左肺及右肺肺叶提取模型或所述多个右肺肺 叶提取模型对所述术后剩余的肺叶中的右肺肺叶进行提取。
具体地说,若存在所述左肺第一位置,说明存在左肺,尽管左肺的肺叶 有缺失,也算存在左肺的。此时,选择所述左肺及右肺肺叶提取模型对所述 术后剩余的肺叶中的左肺肺叶进行提取,不管左肺的肺叶是否存在缺失。
具体地说,若存在所述右肺第二位置,说明存在右肺,尽管右肺的肺叶 有缺失,也算存在右肺的。此时,进一步判断所述右肺第二位置的完整性, 并根据所述完整性选择所述左肺及右肺肺叶提取模型或所述多个右肺肺叶 提取模型对所述术后剩余的肺叶中的右肺肺叶进行提取。
在本公开中,所述判断所述右肺第二位置的完整性,并根据所述完整性 选择所述左肺及右肺肺叶提取模型或所述多个右肺肺叶提取模型对所述术 后剩余的肺叶中的右肺肺叶进行提取的方法,包括:获取右肺肺叶的设定数 目;根据所述术后剩余的肺叶确定剩余的右肺肺叶数目;若所述右肺肺叶数 目等于所述设定数目,则判断所述右肺第二位置的完整,选择左肺及右肺肺叶提取模型对所述术后剩余的肺叶中的右肺肺叶进行提取;若所述右肺肺叶 数目小于所述设定数目,且所述右肺肺叶数目大于0,则判断所述右肺第二 位置的不完整,选择所述多个右肺肺叶提取模型的一个模型对所述术后剩余 的肺叶中的右肺肺叶进行提取。其中,所述右肺肺叶的设定数目设置为3。
具体地说,如果所述右肺第二位置的完整,则选择左肺及右肺肺叶提取 模型对所述术后剩余的肺叶中的右肺肺叶进行提取,此时左肺及右肺的肺叶 提取都采用左肺及右肺肺叶提取模型,即使左肺的肺叶存在缺失。
在本公开中,所述若所述右肺肺叶数目小于所述设定数目,则判断所述 右肺第二位置的不完整,选择所述多个右肺肺叶提取模型的一个模型对所述 术后剩余的肺叶中的右肺肺叶进行提取的方法,包括:若所述右肺肺叶数目 小于所述设定数目,且所述右肺肺叶数目大于0,则确定剩余右肺肺叶的位置;在所述多个右肺肺叶提取模型中,根据所述剩余右肺肺叶的位置,选择 所述位置对应的用于右肺肺叶提取的右肺肺叶提取模型。
在本公开中,所述若不存在所述右肺第二位置,则确定不存在右肺,则 选择所述左肺及右肺肺叶提取模型对所述术后剩余的肺叶中的左肺肺叶进 行提取。
例如,剩余右肺肺叶的位置为右上肺叶切除术后剩余的右中及右下的肺 叶,则选择第一右肺肺叶提取模型Model-RUL;剩余右肺肺叶的位置为右下 肺叶切除术后剩余的右中及右上的肺叶,则选择第二右肺肺叶提取模型 Model-RML;剩余右肺肺叶的位置为右中肺叶切除术后剩余的右上及右下的 肺叶,则选择第三右肺肺叶提取模型Model-RLL。
在本公开的实施例及其他可能的实施例中,使用半自动方法对肺叶进行 标注。然后,引入了nnU-Net来自动分割肺叶。具体来说,使用数据集D1训 练了Model-Pre(无肺叶切除术)、Model-RUL(右上肺叶切除术)、Model-RML (右下肺叶切除术)和Model-RLL(右中叶切除术)四个模型。最后,通过 集成这四个模型提出了单个肺叶切除术后剩余肺叶自动提取流水线方法并 对其性能进行了测试。
图3示出根据本公开实施例的术后剩余肺叶的提取方法的具体实施流程 图。其中,(a)肺叶标注;(b)训练基于nnU-Net的模型;(c)测试肺叶切除术后 剩余肺叶提取的方法。如图3所示,对于左上和左下肺叶切除术后图像,使 用Model-Pre分割,保留右侧的三个肺叶,将左侧的两个肺叶合并为剩余肺叶。对于右上、右中、右下肺叶切除术后图像,分别采用Model-RUL、Model-RML 和Model-RLL对右肺的两个叶进行分割。同时,使用Model-Pre分割左肺的两 个肺叶。最后将左肺肺叶和右肺肺叶组合以产生最终的分割结果。
在本公开的实施例及其他可能的实施例中,我们与放射科医生合作对第 一数据集D1和第二数据集D2中各个肺叶进行了标注。首先,使用Pulmonary Toolkit对肺区进行分割。然后在肺区分割的基础上使用ITK-SNAP手动标注 肺叶。右上叶、右中叶、右下叶、左上叶和左下叶分别被标注为1、2、3、4、 5。为了使标注更准确,标注结果已经过放射科医师的检查和修改。标注过程如图3(a)所示。值得注意的是,对于术后的CT图像,仅标注了4个标签。对于 第一数据集D1中的Model-RUL、Model-RML、Model-RLL的训练集,左肺的 标签被设置为0。
在本公开的实施例及其他可能的实施例中,由于CT扫描仪及其扫描协议 的不同和患者的个体差异,不同数据集的体素间距、体素灰度范围和图像尺 寸差异很大。所以,需要对数据进行预处理。首先使用三次样条插值对图像 进行重采样,以确保不同图像中每个体素的间距相同。标注的结果被转换为 one-hot编码,对每个通道进行线性插值。然后进行argmax操作得到最终的分 割结果。重采样后的体素间距为训练集中所有图像的体素间距的中值。具体 而言,体素间距为1.00、0.71、0.71毫米。然后,对HU值进行了归一化。首 先,在训练集中计算图像前景(即各肺叶)的HU值范围,只保留前景体素HU 值范围的0.5%和99.5%直接的体素。然后,使用z-score方法对灰度进行归一 化,使模型收敛更快,并防止梯度消失问题。为了节省显存和加快训练速度, 将图像的分辨率从512×512降低到256×256。与原始图像相比,每一层厚度也 增加为原来的两倍。最后,为了增加图像的多样性,使用batchgenerator工具包进行数据增强。在训练和验证工程中使用了旋转、缩放、高斯噪声、高斯 模糊、亮度、对比度、伽玛增强和镜像等增强方法。
在本公开的实施例及其他可能的实施例中,进行了一系列对比实验来评 估所提出的方法。对于Model-Pre,其性能在D1和D2的测试集中进行了测试。 此外,将其性能与FRV-Net、基于V-Net的模型和基于U-Net的模型的性能在 D3中进行了比较。并且将Model-Pre的预测结果提交给LOLA11挑战赛进行了 评估。为了证明nnU-Net的优点,用U-Net、V-Net和3D-UNet代替nnU-Net并 使用相同的数据集进行训练。在D1和D2的测试集中比较了四种流水线方法 的性能。对于Model-RUL、Model-RML和Model-RLL,仅对右肺的两个肺叶进行标注和分割,称为双肺叶策略。也实现了将四个肺叶的标注和分割的策 略(四叶策略),并将两种策略在第一数据集D1和第二数据集D2的测试集中 进行了比较。
在本公开的实施例及其他可能的实施例中,使用了第一数据集D1对 Model-Pre做了五折交叉验证。在第一数据集D1上训练的损失值和DSC变化。 随着训练轮数的增加,训练集和验证集的损失值都收敛到-0.92。验证集的 DSC稳步上升并收敛到0.95。当训练轮数达到1000时,训练集和验证集的损 失值也仅有很小的差异,这表明过拟合并不严重。
在本公开的实施例及其他可能的实施例中,训练完成后,我们首先用第 一数据集D1和第二数据集D2中各15个图像进行测试。通过观察,可以发现 Model-Pre可以准确地分割每个肺叶。虽然不同的CT图像中肺叶的位置、体 积和纹理存在很大的差异,但本公开所提出的模型的分割结果与金标准非常 相近。Model-Pre的良好性能为我们提出的单个肺叶切除手术后的剩余肺叶自动提取流水线方法提供了坚实的基础。
表1中列出了Model-Pre在数据集D1和D2中测试得到的各肺叶DSC的平 均值。在D1中,右上肺叶的DSC最高(0.970),右中叶的DSC最低(0.931),五 个肺叶的DSC平均值为0.958。在D2中,左上叶的DSC的最高(0.961),右中叶的DSC最低(0.863),五个肺叶平均DSC为0.929。这30例的平均DSC,左上肺 叶最高(0.965),右中肺叶最低(0.897)。这30例图像的五个肺叶平均DSC为 0.944。
表1.Model-Pre在数据集D1和D2上各肺叶的DSC
图4示出根据本公开实施例的术后剩余肺叶的提取方法的剩余肺叶分割 结果示例。如图4所示,分别对应右上肺叶切除术、右中肺叶切除术、右下 肺叶切除术、左上肺叶切除术和左下肺叶切除术。本公开所提出的单个肺叶切除手术后的剩余肺叶自动提取流水线方法的分割结果非常接近金标准。通 过观察可知,左上肺叶切除术和左下肺叶切除术之后,右肺叶无明显变化, 剩余左肺叶代偿性增大。右上肺叶切除术和右中肺叶切除术后,右肺剩余肺 叶体积有增加趋势,左肺无明显变化。右中肺叶切除术后,右肺的体积和形 状没有明显变化。
表2列出了我们提出的流水线方法在第一数据集D1和第二数据集D2中 的DSC。在第一数据集D1中得到了三个发现。第一,左上叶切除术后的平均 DSC在五种肺叶切除术中最小(0.959)。原因可能是左上叶比较大,去掉这个 叶会改变右肺三个肺叶的体积和形状,使DSC降低。第二,在五个叶中,右 中肺叶的平均DSC最小,为0.951,这有可能是因为右中肺叶的体积最小而导致。第三,右上肺叶中的平均DSC为0.973,仅高于右中肺叶,这可能是由于 切除左上叶可能会造成右上叶的变化。五种肺叶切除术各三例患者的五个肺 叶的平均DSC为0.973。在第二数据集D2中,仍然可以观察到上述的三个发 现。在五种肺叶切除术中,平均DSC的最小的是左上肺叶切除术,为0.822。 在五个肺叶中,右中叶的DSC最小(0.888),右上叶的平均DSC的第二小(0.913)。 五种肺叶切除术各三例患者的五个肺叶的平均DSC为0.936,略低于D1。
表2.我们提出的流水线方法在数据集D1和D2上各肺叶的DSC
为了验证Model-Pre的优越性,我们使用第三数据集D3中的50个图像对 Model-Pre进行了测试,并与其他模型进行比较。表3展示了FRV-Net、基于 V-Net的模型、基于U-Net的模型以及Model-Pre在D3上测试得到的DSC。 Model-Pre在五个肺叶的DSC都高于FRV-Net和基于V-Net的模型。Model-Pre 在三个右肺叶的DSC比基于U-Net的模型更高,但左侧两个肺叶的DSC略低 于基于U-Net的模型。Model-Pre得出的五个肺叶的平均DSC为0.934,高于其 他三个模型。
表3.Model-Pre与其他三个模型在数据集D3上各肺叶的DSC
本公开将Model-Pre应用于来自LOLA11挑战赛的第四数据集D4。Model-Pre的肺叶得分为0.891,肺区得分为0.954。我们方法的肺叶得分在所 有提交中排名前5%。在第四数据集D4中的odel-Pre的DSC,右上叶、右中叶、 右下叶、左上叶、左下叶的平均DSC分别为0.906、0.817、0.924、0.917和0.889。 显然,Model-Pre在D4中测试所得的DSC低于其他数据集。原因是这个数据 中大约一半的数据中存在严重的肺气肿和异常肺组织。
表4列出了在第一数据集D1和第二数据集D2中使用U-Net、V-Net和 3D-UNet的术后流水线方法测试得到的各肺叶DSC。在第一数据集D1中,我 们提出的基于nnU-Net的术后流水线方法优于使用U-Net、V-Net和3D-UNet 的术后流水线方法(0.973vs.0.949、0.947、0.949)。在D1中,使用nnU-Net 的术后流水线方法中观察到的三个发现中的两个仍然适用于基于U-Net、 V-Net和3D-UNet的术后流水线方法。具体来说,在五个肺叶中,使用U-Net的术后流水线方法的右中和右上叶的平均DSC的最小值和次小值分别为 0.880和0.946。对于使用V-Net的术后流水线方法的右中和右上叶DSC是0.893 和0.944;对于使用3DU-Net的术后流水线方法,右中和右上叶DSC是0.896 和0.950。
表4.基于U-Net、V-Net和3D-UNet的术后流水线方法在D1和D2上各肺叶DSC
在第二数据集D2中,我们提出的基于nnU-Net的术后流水线方法优于使 用U-Net、V-Net和3DU-Net的术后流水线方法(0.936vs.0.891、0.885、0.885)。 使用nnU-Net的术后流水线方法中观察到的三个发现仍然适用于基于U-Net、 V-Net和3D-UNet的术后流水线方法。具体来说,在五个肺叶中,使用U-Net 的术后流水线方法的右中和右上叶的平均DSC为所有肺叶DSC的最小和次 小值,分别为0.750和0.861。对于使用V-Net的术后流水线方法,最小和次小 值是0.771和0.866;对于使用3D-UNet的术后流水线方法,最小和次小值是0.775和0.858。使用U-Net的术后流水线方法的五种肺叶切除术中平均DSC的 最小的是左上肺叶切除术,其平均DSC为0.803。对于使用V-Net的术后流水 线方法,这个值是0.815;对于使用3D-UNet的术后流水线方法,这个值是0.811。
在训练术后分割模型时,仅对右肺的两个叶进行了标注和分割(称为双 叶策略)。我们也测试了将四个肺叶都进行标注和分割的策略(称为双叶策略)。 两种策略在第一数据集D1和第二数据集D2的测试集上进行了比较。表5列出 了基于四叶策略的术后流水线方法在第一数据集D1和第二数据集D2中测试 得到的各肺叶DSC。
对于RUL,在第一数据集D1和第二数据集D2中,双叶策略的平均DSC 优于四叶策略。对于RML,在D1和D2中,双叶策略和四叶策略的表现差别 不大。对于RLL,在第一数据集D1中,双叶策略和四叶策略具有相同的DSC。 在第二数据集D2中,双叶策略的平均DSC均优于四叶策略。
表5.使用四叶策略的术后流水线方法在数据集D1和D2中测试得到的各肺叶DSC
术后剩余肺叶的提取方法的执行主体可以是术后剩余肺叶的提取装置, 例如,术后剩余肺叶的提取方法可以由终端设备或服务器或其它处理设备执 行,其中,终端设备可以为用户设备(User Equipment,UE)、移动设备、用户终端、终端、蜂窝电话、无绳电话、个人数字处理(Personal Digital Assistant,PDA)、手持设备、计算设备、车载设备、可穿戴设备等。在一些 可能的实现方式中,该术后剩余肺叶的提取方法可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。
本领域技术人员可以理解,在具体实施方式的上述方法中,各步骤的撰 写顺序并不意味着严格的执行顺序而对实施过程构成任何限定,各步骤的具 体执行顺序应当以其功能和可能的内在逻辑确定。
基于上述,本公开实施例的一种术后剩余肺叶的提取装置,所述的术后 剩余肺叶的提取装置,包括:获取单元,用于获取待提取的肺图像、已训练 的完整肺叶的左肺及右肺肺叶提取模型及已训练的右肺肺叶缺失的多个右 肺肺叶提取模型;确定单元,用于根据所述肺图像确定术后剩余的肺叶;提 取单元,用于基于所述左肺及右肺肺叶提取模型以及/或所述多个右肺肺叶 提取模型,分别对所述术后剩余的肺叶中的左肺肺叶及右肺肺叶进行提取。
在一些实施例中,本公开实施例提供的装置具有的功能或包含的模块可 以用于执行上文方法实施例描述的方法,其具体实现可以参照上文方法实施 例的描述,为了简洁,这里不再赘述。
本公开实施例还提出一种计算机可读存储介质,其上存储有计算机程序 指令,所述计算机程序指令被处理器执行时实现上述方法。计算机可读存储 介质可以是非易失性计算机可读存储介质。
本公开实施例还提出一种电子设备,包括:处理器;用于存储处理器可 执行指令的存储器;其中,所述处理器被配置为上述方法。电子设备可以被 提供为终端、服务器或其它形态的设备。
本公开首次对肺叶切除术后肺叶进行分割。此外,我们的方法在从两个 医院获得的数据集上和在公开数据集(LUNA16和LOLA11)上都获得了非常 准确的结果。nnU-Net模型是一个端到端的生物医学图像分割框架,它可以 自动设计3D语义分割模型。nnU-Net的强大性能并不是通过新的网络架构、 损失函数或训练策略来实现的,而是通过使用基于显式和可解释的启发式规 则来代替手动调整超参数。近年来,越来越多的基于深度学习的方法被应用 于医学图像分割任务中。这些方法大都在U-Net的基础上引入了残差连接、 密集连接、注意力机制等其他结构。最原始的U-Net结构便可以达到与最先 进网络结构相媲美的效果,甚至在某些方面优于最近提出的网络结构,许多 新网络结构并没有提高分割性能,有时甚至降低了原始方法的性能。这在本文中得到了进一步地证明。
为了定量评估我们模型的性能,本公开使用了DSC来评估分割效果。本 公开将Model-Pre与FRV-Net、基于V-Net的模型和基于V-Net的模型进行了比 较。Model-Pre的各肺叶的平均DSC为0.934,高于FRV-Net的0.909、基于V-Net 的模型的0.915和基于U-Net的模型的0.927。当模型应用于真实的临床场景时, 该模型必须适应来自不同医院的CT图像。不同的医院使用不同的设备,导 致数据分布不同,从而可能会降低模型的性能。为了证明Model-Pre的泛化 能力,我们使用了第二数据集D2、第三数据集D3、第四数据集D4共120个病例进行测试。对于第二数据集D2,五个肺叶的平均DSC为0.916、0.863、 0.951、0.961、0.955。对于第三数据集D3,五个肺叶的平均DSC为0.938、 0.852、0.959、0.964、0.959。本公开将提出的模型提交到LOLA11挑战赛, 得到的肺叶得分为0.89,仅比第一名低0.03。显然,Model-Pre能准确地分割 来自不同医院、不同设备的CT图像。测试结果证明了Model-Pre的泛化能力。 Model-Pre分割效果好的原因可能是nnU-Net使用显式和可解释的启发式规则为肺叶分割任务找到了最合适的超参数。
在此基础上,本公开提出了使用双叶策略的肺叶切除术后的剩余肺叶自 动提取流水线方法。为了证明我们提出的流水线方法的泛化能力,我们使用 了第一数据集D1和第二数据集D2中各15例数据进行了测试。表2列出了测试 所得各肺叶DSC。从测试结果可以看出,肺叶自动提取流水线方法具有良好 的泛化能力。为了证明nnU-Net的优越性,我们将基于nnU-Net的肺叶切除手 术后的剩余肺叶自动提取流水线方法与基于其他网络(如U-Net、V-Net和3DU-Net)的流水线方法进行了比较。计算出的DSC已在表4中列出。通过比较 可知,我们的方法在第一数据集D1中DSC为0.973,在第二数据集D2中DSC 为0.936,高于基于其他三个网络的流水线方法。与基于四叶策略的流水线 方法相比,双叶策略可以减少训练和推理时间,提高分割精度。两种策略在第一数据集D1和第二数据集D2中进行了比较。由表5可知,在第一数据集 D1和第二数据集D2中,双叶策略的平均DSC高于四叶策略。
因此,本公开提出了一种术后剩余肺叶的提取方法及装置、电子设备和 存储介质,用于分割单个肺叶切除术之后剩余的各个肺叶。据我们所知,这 是第一次对肺叶切除术后肺叶进行分割。我们通过实验将我们的方法和与其 他方法进行了比较,所得结果证明了我们提出的方法的可行性与优越性。此 外,测试结果证明了我们的方法在不同来源的CT图像中表现良好。我们提出 的单个肺叶切除术后的剩余肺叶自动提取流水线方法填补了肺叶切除术后 剩余肺叶自动分割的空白。
图5是根据一示例性实施例示出的一种电子设备800的框图。例如,电子 设备800可以是移动电话,计算机,数字广播终端,消息收发设备,游戏控 制台,平板设备,医疗设备,健身设备,个人数字助理等终端。
参照图5,电子设备800可以包括以下一个或多个组件:处理组件802, 存储器804,电源组件806,多媒体组件808,音频组件810,输入/输出(I/O) 的接口812,传感器组件814,以及通信组件816。
处理组件802通常控制电子设备800的整体操作,诸如与显示,电话呼叫, 数据通信,相机操作和记录操作相关联的操作。处理组件802可以包括一个 或多个处理器820来执行指令,以完成上述的方法的全部或部分步骤。此外, 处理组件802可以包括一个或多个模块,便于处理组件802和其他组件之间的交互。例如,处理组件802可以包括多媒体模块,以方便多媒体组件808和处 理组件802之间的交互。
存储器804被配置为存储各种类型的数据以支持在电子设备800的操作。 这些数据的示例包括用于在电子设备800上操作的任何应用程序或方法的指 令,联系人数据,电话簿数据,消息,图片,视频等。存储器804可以由任 何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程 只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM), 磁存储器,快闪存储器,磁盘或光盘。
电源组件806为电子设备800的各种组件提供电力。电源组件806可以包 括电源管理系统,一个或多个电源,及其他与为电子设备800生成、管理和 分配电力相关联的组件。
多媒体组件808包括在所述电子设备800和用户之间的提供一个输出接 口的屏幕。在一些实施例中,屏幕可以包括液晶显示器(LCD)和触摸面板 (TP)。如果屏幕包括触摸面板,屏幕可以被实现为触摸屏,以接收来自用 户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触 摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界,而 且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中, 多媒体组件808包括一个前置摄像头和/或后置摄像头。当电子设备800处于操 作模式,如拍摄模式或视频模式时,前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜 系统或具有焦距和光学变焦能力。
音频组件810被配置为输出和/或输入音频信号。例如,音频组件810包括 一个麦克风(MIC),当电子设备800处于操作模式,如呼叫模式、记录模式 和语音识别模式时,麦克风被配置为接收外部音频信号。所接收的音频信号 可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中,音频组件810还包括一个扬声器,用于输出音频信号。
I/O接口812为处理组件802和外围接口模块之间提供接口,上述外围接 口模块可以是键盘,点击轮,按钮等。这些按钮可包括但不限于:主页按钮、 音量按钮、启动按钮和锁定按钮。
传感器组件814包括一个或多个传感器,用于为电子设备800提供各个方 面的状态评估。例如,传感器组件814可以检测到电子设备800的打开/关闭状 态,组件的相对定位,例如所述组件为电子设备800的显示器和小键盘,传 感器组件814还可以检测电子设备800或电子设备800一个组件的位置改变, 用户与电子设备800接触的存在或不存在,电子设备800方位或加速/减速和电 子设备800的温度变化。传感器组件814可以包括接近传感器,被配置用来在 没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光 传感器,如CMOS或CCD图像传感器,用于在成像应用中使用。在一些实施 例中,该传感器组件814还可以包括加速度传感器,陀螺仪传感器,磁传感 器,压力传感器或温度传感器。
通信组件816被配置为便于电子设备800和其他设备之间有线或无线方 式的通信。电子设备800可以接入基于通信标准的无线网络,如WiFi,2G或 3G,或它们的组合。在一个示例性实施例中,通信组件816经由广播信道接 收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例 中,所述通信组件816还包括近场通信(NFC)模块,以促进短程通信。例 如,在NFC模块可基于射频识别(RFID)技术,红外数据协会(IrDA)技 术,超宽带(UWB)技术,蓝牙(BT)技术和其他技术来实现。
在示例性实施例中,电子设备800可以被一个或多个应用专用集成电路 (ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻 辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理 器或其他电子元件实现,用于执行上述方法。
在示例性实施例中,还提供了一种非易失性计算机可读存储介质,例如 包括计算机程序指令的存储器804,上述计算机程序指令可由电子设备800的 处理器820执行以完成上述方法。
图6是根据一示例性实施例示出的一种电子设备1900的框图。例如,电 子设备1900可以被提供为一服务器。参照图6,电子设备1900包括处理组件 1922,其进一步包括一个或多个处理器,以及由存储器1932所代表的存储器 资源,用于存储可由处理组件1922的执行的指令,例如应用程序。存储器1932 中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外,处理组件1922被配置为执行指令,以执行上述方法。
电子设备1900还可以包括一个电源组件1926被配置为执行电子设备 1900的电源管理,一个有线或无线网络接口1950被配置为将电子设备1900连 接到网络,和一个输入输出(I/O)接口1958。电子设备1900可以操作基于 存储在存储器1932的操作系统,例如Windows ServerTM,Mac OS XTM,UnixTM,LinuxTM,FreeBSDTM或类似。
在示例性实施例中,还提供了一种非易失性计算机可读存储介质,例如 包括计算机程序指令的存储器1932,上述计算机程序指令可由电子设备1900 的处理组件1922执行以完成上述方法。
本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包 括计算机可读存储介质,其上载有用于使处理器实现本公开的各个方面的计 算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指 令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设 备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的 任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包 括:便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、 可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、 便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软 盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时 信号本身,诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输 媒介传播的电磁波(例如,通过光纤电缆的光脉冲)、或者通过电线传输的 电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到 各个计算/处理设备,或者通过网络、例如因特网、局域网、广域网和/或无 线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传 输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每 个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令,并转发该计算机可读程序指令,以供存储在各个计算/处理设备中的计 算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构 (ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数 据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码,所述 编程语言包括面向对象的编程语言—诸如Smalltalk、C++等,以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以 完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的 软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远 程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通 过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机, 或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连 接)。在一些实施例中,通过利用计算机可读程序指令的状态信息来个性化定制电子电路,例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编 程逻辑阵列(PLA),该电子电路可以执行计算机可读程序指令,从而实现 本公开的各个方面。
这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的 流程图和/或框图描述了本公开的各个方面。应当理解,流程图和/或框图的 每个方框以及流程图和/或框图中各方框的组合,都可以由计算机可读程序指 令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可 编程数据处理装置的处理器,从而生产出一种机器,使得这些指令在通过计 算机或其它可编程数据处理装置的处理器执行时,产生了实现流程图和/或框 图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读 程序指令存储在计算机可读存储介质中,这些指令使得计算机、可编程数据 处理装置和/或其他设备以特定方式工作,从而,存储有指令的计算机可读介 质则包括一个制造品,其包括实现流程图和/或框图中的一个或多个方框中规 定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、 或其它设备上,使得在计算机、其它可编程数据处理装置或其它设备上执行 一系列操作步骤,以产生计算机实现的过程,从而使得在计算机、其它可编 程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和 计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或 框图中的每个方框可以代表一个模块、程序段或指令的一部分,所述模块、 程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行 指令。在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行, 它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专 用硬件与计算机指令的组合来实现。
以上已经描述了本公开的各实施例,上述说明是示例性的,并非穷尽性 的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和 精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显 而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际 应用或对市场中技术的技术改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (12)
1.一种术后剩余肺叶的提取方法,其特征在于,包括:
获取待提取的肺图像、已训练的完整肺叶的左肺及右肺肺叶提取模型及已训练的右肺肺叶缺失的多个右肺肺叶提取模型;
根据所述肺图像确定术后剩余的肺叶;
基于所述左肺及右肺肺叶提取模型以及/或所述多个右肺肺叶提取模型,分别对所述术后剩余的肺叶中的左肺肺叶及右肺肺叶进行提取;
其中,所述多个右肺肺叶提取模型为至少右上肺叶、右中肺叶以及右下肺叶中至少一个肺叶被切除对应的右肺肺叶分割模型;
其中,在所述基于所述已训练的左肺及右肺肺叶提取模型及所述多个右肺肺叶提取模型,分别对所述术后剩余的肺叶中的左肺肺叶及右肺肺叶进行提取之前,根据所述术后剩余的肺叶选择所述左肺及右肺肺叶提取模型以及/或所述多个右肺肺叶提取模型,其选择的方法,包括:根据术后剩余的肺叶确定剩余肺叶的左肺第一位置及右肺第二位置;若存在所述左肺第一位置,则选择所述左肺及右肺肺叶提取模型对所述术后剩余的肺叶中的左肺肺叶进行提取;若存在所述右肺第二位置,则判断所述右肺第二位置的完整性,并根据所述完整性选择所述左肺及右肺肺叶提取模型或所述多个右肺肺叶提取模型对所述术后剩余的肺叶中的右肺肺叶进行提取。
2.根据权利要求1所述的术后剩余肺叶的提取方法,其特征在于,所述判断所述右肺第二位置的完整性,并根据所述完整性选择所述左肺及右肺肺叶提取模型或所述多个右肺肺叶提取模型对所述术后剩余的肺叶中的右肺肺叶进行提取的方法,包括:
获取右肺肺叶的设定数目;
根据所述术后剩余的肺叶确定剩余的右肺肺叶数目;
若所述右肺肺叶数目等于所述设定数目,则判断所述右肺第二位置的完整,选择左肺及右肺肺叶提取模型对所述术后剩余的肺叶中的右肺肺叶进行提取;
若所述右肺肺叶数目小于所述设定数目,且所述右肺肺叶数目大于0,则判断所述右肺第二位置的不完整,选择所述多个右肺肺叶提取模型的一个模型对所述术后剩余的肺叶中的右肺肺叶进行提取。
3.根据权利要求2所述的术后剩余肺叶的提取方法,其特征在于,所述若所述右肺肺叶数目小于所述设定数目,则判断所述右肺第二位置的不完整,选择所述多个右肺肺叶提取模型的一个模型对所述术后剩余的肺叶中的右肺肺叶进行提取的方法,包括:
若所述右肺肺叶数目小于所述设定数目,且所述右肺肺叶数目大于0,则确定剩余右肺肺叶的位置;
在所述多个右肺肺叶提取模型中,根据所述剩余右肺肺叶的位置,选择所述位置对应的用于右肺肺叶提取的右肺肺叶提取模型。
4.根据权利要求1-3任一项所述的术后剩余肺叶的提取方法,其特征在于,若不存在所述右肺第二位置,则确定不存在右肺,则选择所述左肺及右肺肺叶提取模型对所述术后剩余的肺叶中的左肺肺叶进行提取。
5.根据权利要求1-3任一项所述的术后剩余肺叶的提取方法,其特征在于,所述根据所述肺图像确定术后剩余的肺叶的方法,包括:
获取设定肺叶模板;
根据所述肺图像及所述设定肺叶模板,确定术后剩余的肺叶。
6.根据权利要求4所述的术后剩余肺叶的提取方法,其特征在于,所述根据所述肺图像确定术后剩余的肺叶的方法,包括:
获取设定肺叶模板;
根据所述肺图像及所述设定肺叶模板,确定术后剩余的肺叶。
7.根据权利要求1-3、6任一项所述的术后剩余肺叶的提取方法,其特征在于,在所述获取已训练的完整肺叶的左肺及右肺肺叶提取模型及已训练的右肺肺叶缺失的多个右肺肺叶提取模型之前,分别对所述左肺及右肺肺叶提取模型及所述多个右肺肺叶提取模型进行训练。
8.根据权利要求4所述的术后剩余肺叶的提取方法,其特征在于,在所述获取已训练的完整肺叶的左肺及右肺肺叶提取模型及已训练的右肺肺叶缺失的多个右肺肺叶提取模型之前,分别对所述左肺及右肺肺叶提取模型及所述多个右肺肺叶提取模型进行训练。
9.根据权利要求5所述的术后剩余肺叶的提取方法,其特征在于,在所述获取已训练的完整肺叶的左肺及右肺肺叶提取模型及已训练的右肺肺叶缺失的多个右肺肺叶提取模型之前,分别对所述左肺及右肺肺叶提取模型及所述多个右肺肺叶提取模型进行训练。
10.一种术后剩余肺叶的提取装置,其特征在于,包括:
获取单元,用于获取待提取的肺图像、已训练的完整肺叶的左肺及右肺肺叶提取模型及已训练的右肺肺叶缺失的多个右肺肺叶提取模型;其中,所述多个右肺肺叶提取模型为至少右上肺叶、右中肺叶以及右下肺叶中至少一个肺叶被切除对应的右肺肺叶分割模型;
确定单元,用于根据所述肺图像确定术后剩余的肺叶;
提取单元,用于基于所述左肺及右肺肺叶提取模型以及/或所述多个右肺肺叶提取模型,分别对所述术后剩余的肺叶中的左肺肺叶及右肺肺叶进行提取;其中,在所述基于所述已训练的左肺及右肺肺叶提取模型及所述多个右肺肺叶提取模型,分别对所述术后剩余的肺叶中的左肺肺叶及右肺肺叶进行提取之前,根据所述术后剩余的肺叶选择所述左肺及右肺肺叶提取模型以及/或所述多个右肺肺叶提取模型,其选择的方法,包括:根据术后剩余的肺叶确定剩余肺叶的左肺第一位置及右肺第二位置;若存在所述左肺第一位置,则选择所述左肺及右肺肺叶提取模型对所述术后剩余的肺叶中的左肺肺叶进行提取;若存在所述右肺第二位置,则判断所述右肺第二位置的完整性,并根据所述完整性选择所述左肺及右肺肺叶提取模型或所述多个右肺肺叶提取模型对所述术后剩余的肺叶中的右肺肺叶进行提取。
11.一种电子设备,其特征在于,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为调用所述存储器存储的指令,以执行权利要求1至9中任意一项所述的术后剩余肺叶的提取方法。
12.一种计算机可读存储介质,其上存储有计算机程序指令,其特征在于,所述计算机程序指令被处理器执行时实现权利要求1至9中任意一项所述的术后剩余肺叶的提取方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111394398.8A CN114418931B (zh) | 2021-11-23 | 2021-11-23 | 术后剩余肺叶的提取方法及装置、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111394398.8A CN114418931B (zh) | 2021-11-23 | 2021-11-23 | 术后剩余肺叶的提取方法及装置、电子设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114418931A CN114418931A (zh) | 2022-04-29 |
CN114418931B true CN114418931B (zh) | 2024-06-04 |
Family
ID=81265216
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111394398.8A Active CN114418931B (zh) | 2021-11-23 | 2021-11-23 | 术后剩余肺叶的提取方法及装置、电子设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114418931B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116030259B (zh) * | 2023-03-24 | 2024-01-12 | 长春理工大学 | 一种腹部ct图像多器官分割方法、装置及终端设备 |
CN116152278B (zh) * | 2023-04-17 | 2023-07-21 | 杭州堃博生物科技有限公司 | 医疗图像的分割方法及装置、非易失性存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107392910A (zh) * | 2017-07-06 | 2017-11-24 | 沈阳东软医疗系统有限公司 | 一种基于ct图像的肺叶分割方法及装置 |
CN110473207A (zh) * | 2019-07-30 | 2019-11-19 | 赛诺威盛科技(北京)有限公司 | 一种交互式分割肺叶的方法 |
CN111179298A (zh) * | 2019-12-12 | 2020-05-19 | 深圳市旭东数字医学影像技术有限公司 | 基于ct图像的三维肺自动分割与左右肺分离方法及其系统 |
CN111275673A (zh) * | 2020-01-15 | 2020-06-12 | 深圳前海微众银行股份有限公司 | 肺叶提取方法、装置及存储介质 |
CN111563902A (zh) * | 2020-04-23 | 2020-08-21 | 华南理工大学 | 一种基于三维卷积神经网络的肺叶分割方法及系统 |
CN111784700A (zh) * | 2019-04-04 | 2020-10-16 | 阿里巴巴集团控股有限公司 | 肺叶分割、模型训练、模型构建与分割方法、系统及设备 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106529555B (zh) * | 2016-11-04 | 2019-12-06 | 四川大学 | 一种基于全卷积网络的dr片肺轮廓提取方法 |
-
2021
- 2021-11-23 CN CN202111394398.8A patent/CN114418931B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107392910A (zh) * | 2017-07-06 | 2017-11-24 | 沈阳东软医疗系统有限公司 | 一种基于ct图像的肺叶分割方法及装置 |
CN111784700A (zh) * | 2019-04-04 | 2020-10-16 | 阿里巴巴集团控股有限公司 | 肺叶分割、模型训练、模型构建与分割方法、系统及设备 |
CN110473207A (zh) * | 2019-07-30 | 2019-11-19 | 赛诺威盛科技(北京)有限公司 | 一种交互式分割肺叶的方法 |
CN111179298A (zh) * | 2019-12-12 | 2020-05-19 | 深圳市旭东数字医学影像技术有限公司 | 基于ct图像的三维肺自动分割与左右肺分离方法及其系统 |
CN111275673A (zh) * | 2020-01-15 | 2020-06-12 | 深圳前海微众银行股份有限公司 | 肺叶提取方法、装置及存储介质 |
CN111563902A (zh) * | 2020-04-23 | 2020-08-21 | 华南理工大学 | 一种基于三维卷积神经网络的肺叶分割方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN114418931A (zh) | 2022-04-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20210158533A1 (en) | Image processing method and apparatus, and storage medium | |
CN111310764B (zh) | 网络训练、图像处理方法及装置、电子设备和存储介质 | |
TWI713054B (zh) | 圖像分割方法及裝置、電子設備和儲存媒體 | |
CN112785565B (zh) | 目标检测方法及装置、电子设备和存储介质 | |
CN112767329B (zh) | 图像处理方法及装置、电子设备 | |
CN114418931B (zh) | 术后剩余肺叶的提取方法及装置、电子设备和存储介质 | |
JP2022537974A (ja) | ニューラルネットワーク訓練方法及び装置、電子機器並びに記憶媒体 | |
WO2022036972A1 (zh) | 图像分割方法及装置、电子设备和存储介质 | |
CN112541928A (zh) | 网络训练方法及装置、图像分割方法及装置和电子设备 | |
CN114820584B (zh) | 肺部病灶定位装置 | |
CN115170464A (zh) | 肺图像的处理方法、装置、电子设备和存储介质 | |
US20230379491A1 (en) | Video compression system | |
WO2023050691A1 (zh) | 图像处理方法及装置、电子设备、存储介质和程序 | |
CN113012146B (zh) | 血管信息获取方法及装置、电子设备和存储介质 | |
CN115239999B (zh) | 蛋白质电子密度图处理方法、装置、电子设备和存储介质 | |
CN117218133A (zh) | 肺图像处理方法及装置、电子设备和存储介质 | |
Bilal et al. | Lung nodules detection using grey wolf optimization by weighted filters and classification using CNN | |
WO2021082517A1 (zh) | 神经网络训练及图像分割方法、装置、设备、介质和程序 | |
CN115423819A (zh) | 肺血管的分割方法及装置、电子设备和存储介质 | |
CN110991412A (zh) | 人脸识别的方法、装置、存储介质及电子设备 | |
JP2022548453A (ja) | 画像分割方法及び装置、電子デバイス並びに記憶媒体 | |
WO2012131149A1 (en) | Method apparatus and computer program product for detection of facial expressions | |
CN112200820A (zh) | 三维图像处理方法及装置、电子设备和存储介质 | |
CN117152128B (zh) | 神经影像的病灶识别方法、装置、电子设备和存储介质 | |
CN115099293B (zh) | 一种模型训练方法及装置、电子设备和存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |